1

我使用了 Solomon Messing 的教程（见下面的链接），了解如何将数据从 CAT 导出到 R 并取得了巨大成功。然而，当只有 3/4 的编码人员完成了对数据集的编码时，我遇到了问题。即使我删除了所有编码人员尚未编码的那些文档，R 似乎也无法解析 XML 文件。我的猜测是，来自 CAT 的 XML 文件是为初始数量的文档和编码器设置的，因此当文档和编码器被删除时，R 脚本不再兼容。有没有办法修改 XML 文件，甚至删除某些编码人员的编码？控制台输出如下所示：（当所有编码人员都完成编码时，我对奇数字符没有任何问题。）

doc <- xmlInternalTreeParse(doc, asText=T)

xmlParseCharRef：无效的 xmlChar 值 0

xmlParseCharRef：无效的 xmlChar 值 0

xmlParseCharRef：无效的 xmlChar 值 0

xmlParseCharRef：无效的 xmlChar 值 0

错误：1：xmlParseCharRef：无效的 xmlChar 值 0

2: xmlParseCharRef: 无效的 xmlChar 值 0

3: xmlParseCharRef: 无效的 xmlChar 值 0

4: xmlParseCharRef: 无效的 xmlChar 值 0

5: xmlParseCharRef: 无效的 xmlChar 值 0

6: xmlParseCharRef: 无效的 xmlChar 值 0

http://solomonmessing.wordpress.com/2013/02/04/cat-r-for-content-analysislabels-for-text-mining/

4

2 回答 2

0

我怀疑 R 对您从 Wordpress 复制的文本感到窒息。当我从该博客复制文本时，在 0 和 ; 之间有一个看不见的坏字符。在行中：

grep("", 文档)

和

doc <- gsub("", "", doc)

确保那里没有坏字符，然后重新运行脚本。当我 grep 为“�​;” （删除不可见的额外字符后）我在您的 xml 文档的第 22443 行找到了其中一个人。删除它后，我没有收到这些错误。

于 2014-05-27T14:26:23.563 回答
0

谢谢所罗门！这解决了我的问题。但是，R 在查找“paragraphCodes”时遇到了一些麻烦，因此我重新排列并稍微修改了初始脚本，如下所示：

paragraphTag <- unlist(xpathApply(doc, "//paragraph", xmlGetAttr, "paragraphTag" ))

paragraphIds <- unlist(xpathApply(doc, "//paragraph", xmlGetAttr, "paragraphId" ))

pgnum <- as.numeric(unlist(lapply(strsplit(paragraphTag, ".txt_"), function(x) x[[2]] )))

alldat$pgnum <- pgnum[match(para, paragraphIds)]

alldat$paragraphTag <- paragraphTag[match(para, paragraphIds)]

现在它完美无缺！

于 2014-05-28T15:51:12.343 回答